摘要：「CryptoAI應(yīng)用前景和挑戰(zhàn)」在Vitalik的最新文章中，他討論了人工智能與密碼學(xué)的交叉，并提出了兩個主要的挑戰(zhàn):密碼學(xué)開銷和黑盒對抗性機器學(xué)習(xí)攻擊。雖然Vitalik認為AIxCrypto大有可為，但他指出，主要的反對意見之一是密碼學(xué)開銷。...

前期摘要

Vitalik Buterin 最新文章討論了區(qū)塊鏈和人工智能 (AI) 交接點主要集中在如何將交接點上。 AI 應(yīng)用于加密世界，并討論了四個交接點: AI 作為參與者，AI 作為界面、AI 作為規(guī)則，以及 AI 作為目標(biāo)。

本文探討了這些交接點的前景和挑戰(zhàn)，強調(diào)了對抗機器學(xué)習(xí)攻擊和密碼學(xué)的成本。 文章提到了使用零知識證明和其他密碼學(xué)來隱藏模型內(nèi)部操作的概率，并指出了密碼學(xué)成本和黑匣子對抗機器學(xué)習(xí)攻擊的測試。

最后，文章討論了建立可擴展的分散隱私 AI 技術(shù)，并考慮了在 AI 安全與 AI 作為游戲目標(biāo)的應(yīng)用。 文章總結(jié)強調(diào)在這些領(lǐng)域需要謹慎實踐，但對于區(qū)塊鏈和區(qū)塊鏈， AI 對交叉領(lǐng)域的前景表示期待。

0. 「Crypto AI 應(yīng)用價值與挑戰(zhàn)」

在 Vitalik 在最新文章中，他討論了人工智能與密碼學(xué)的交叉點，并提出了兩個主要考驗: 密碼學(xué)費用和黑盒對抗機器學(xué)習(xí)攻擊。

Vitalik 我覺得人工智能和數(shù)字貨幣的方向有很大的作用。 在幫助數(shù)字貨幣變得更好的過程中，人工智能可以發(fā)揮關(guān)鍵作用，比如「游戲界面」或「游戲規(guī)則」。

1. 挑戰(zhàn): 密碼學(xué)花銷

a) 密碼學(xué)支出問題已經(jīng)解決

盡管 Vitalik 覺得 AI x Crypto 他取得了巨大的成就，但他指出，主要的反對之一是密碼學(xué)的成本。 目前最主流的鏈條 AI/ML 方法是 zkML，這將 ML 模型編譯成 zk 電路，這樣密碼學(xué)就可以在鏈上驗證。

「人工智能計算非常昂貴」，加上密碼學(xué)，速度更慢。

Vitalik 我覺得密碼學(xué)成本的問題已經(jīng)部分解決了:

• 人工智能計算及其密碼學(xué)成本適合高度加快，不像 zkEVM 那樣存在「非結(jié)構(gòu)化」計算類型。
• 隨著時間的推移，更有效 zk 密碼學(xué)方案將被發(fā)明，成本將大大降低。

b) 目前，額外的費用是 1000 倍。

但是，這種方法遠不夠?qū)嵱茫绕涫菍τ谶@種方法來說， Vitalik 所描述的使用案例。 以下是一些相關(guān)的例子：

• zkML 框架 EZKL 生成一個 1M-nanoGPT 一般需要確認模型 80 分鐘。
• 根據(jù) Modulus Labs 的說法，zkML 比純計算的費用 >>1000 雙倍，最新報告的數(shù)字是最新報告的數(shù)字 1000 倍。
• 根據(jù) EZKL 的檢測，RISC Zero 隨機森林分類均值驗證時間為 173 秒。

在實踐中，要等幾分鐘才能得到 AI 交易的易讀解釋是不可接受的。

2. 通過 opML 處理

a) opML: Optimistic 機器學(xué)習(xí)

在文章的最后，Vitalik 提及：「我期待著在這些領(lǐng)域看到更多的人工智能建設(shè)用例，這樣我們就可以看到哪些是真正可行的大規(guī)模應(yīng)用?！刮覀冋J為，zkML 現(xiàn)階段并非如此「可行」，上述應(yīng)用程序難以實現(xiàn)。

作為 opML 的發(fā)明者和 opML 開源實現(xiàn)的第一個創(chuàng)始人，我們相信，opML 可以通過博弈論處理密碼學(xué)成本問題，讓人工智能 x Crypto 現(xiàn)在可以實現(xiàn)了。

b) 通過激勵機制實現(xiàn)安全

opML 在保證安全的同時，解決了鏈上的問題 ML 密碼學(xué)費用問題。 為了簡單考慮，我們可以使用它 Arbitrum 的 AnyTrust 假設(shè)來評價 opML 系統(tǒng)的安全性。

AnyTrust 假設(shè)每個主張至少有一個誠實的節(jié)點，以確保提交人或至少有一個驗證人是誠實的。 在 AnyTrust 保持安全性和有效性：

• 安全性: 誠實的驗證人可以通過質(zhì)疑惡意節(jié)點的錯誤結(jié)果來強制執(zhí)行正確的行為，從而通過仲裁程序進行處罰。
• 實效性: 建議的結(jié)果要么在最長時間內(nèi)被接受，要么被拒絕。

比較「AnyTrust」和「Majority Trust」，opML 的「AnyTrust」 模型更安全?！窤nyTrust」 保持很高的安全性，在各種環(huán)境下都優(yōu)于「Majority Trust」。

c) 用戶隱私 > 模型隱私

Vitalik 本文還談到了模型隱私問題。 事實上，對于大多數(shù)模型來說， ( 特別是 zkML 目前支持實踐中的小型模型 )，模型可以通過足夠的推理進行重建。

對于一般隱私，尤其是用戶隱私，由于需要保持挑戰(zhàn)的開放性，opML 似乎缺乏固有的隱私功能。 通過結(jié)合 zkML 和 opML，我們可以得到合適的隱私等級，以確保安全和不可逆轉(zhuǎn)的混淆。

d) 實現(xiàn) AI x Crypto 用例

opML 已經(jīng)可以直接在以太坊上運行了 Stable Diffusion 和 LLaMA 2。 Vitalik 提到的四類 ( 作為玩家使用人工智能 / 界面 / 規(guī)則 / 目標(biāo) ) 已經(jīng)可以通過了 opML 實現(xiàn)了，而且沒有任何額外的費用。

我們正在積極探索以下用例和目標(biāo)：

• AIGC NFT (ERC-7007)，7007 Studio 在 Story Protocol Hackathon 中獲勝
• 鏈上的人工智能游戲 ( 如龍與地下城游戲 )
• 使用 ML 的預(yù)測市場
• 內(nèi)容真實性 (Deepfake 驗證器 )
• 合規(guī)的可編程隱私
• Prompt 市場
• 信譽 / 信用評分

3. 總結(jié)

有了 opML，我們可以消除密碼學(xué)成本帶來的挑戰(zhàn)，保持分散化和可驗證性，這樣我們就可以消除密碼學(xué)成本的挑戰(zhàn) AI x Crypto 現(xiàn)在變得可行了。